【Python3网络爬虫开发实战】5-数据存储-3-非关系型数据库存储-1 MongoDB存储

NoSQL，全称Not Only SQL，意为不只仅是SQL，泛指非关系型数据库。NoSQL是基于键值对的，并且不须要通过SQL层的解析，数据之间没有耦合性，性能很是高。

非关系型数据库又可细分以下。

• 键值存储数据库：表明有Redis、Voldemort和Oracle BDB等。
• 列存储数据库：表明有Cassandra、HBase和Riak等。
• 文档型数据库：表明有CouchDB和MongoDB等。
• 图形数据库：表明有Neo4J、InfoGrid和Infinite Graph等。

对于爬虫的数据存储来讲，一条数据可能存在某些字段提取失败而缺失的状况，并且数据可能随时调整。另外，数据之间还存在嵌套关系。若是使用关系型数据库存储，一是须要提早建表，二是若是存在数据嵌套关系的话，须要进行序列化操做才能够存储，这很是不方便。若是用了非关系型数据库，就能够避免一些麻烦，更简单高效。

本节中，咱们主要介绍MongoDB和Redis的数据存储操做。

MongoDB是由C++语言编写的非关系型数据库，是一个基于分布式文件存储的开源数据库系统，其内容存储形式相似JSON对象，它的字段值能够包含其余文档、数组及文档数组，很是灵活。在这一节中，咱们就来看看Python 3下MongoDB的存储操做。

1. 准备工做

在开始以前，请确保已经安装好了MongoDB并启动了其服务，而且安装好了Python的PyMongo库。若是没有安装，能够参考第1章。

2. 链接MongoDB

链接MongoDB时，咱们须要使用PyMongo库里面的MongoClient。通常来讲，传入MongoDB的IP及端口便可，其中第一个参数为地址host，第二个参数为端口port（若是不给它传递参数，默认是27017）：

1 2	import pymongo client = pymongo.MongoClient(host='localhost', port=27017)

这样就能够建立MongoDB的链接对象了。

另外，MongoClient的第一个参数host还能够直接传入MongoDB的链接字符串，它以mongodb开头，例如：

1	client = MongoClient('mongodb://localhost:27017/')

这也能够达到一样的链接效果。

3. 指定数据库

MongoDB中能够创建多个数据库，接下来咱们须要指定操做哪一个数据库。这里咱们以test数据库为例来讲明，下一步须要在程序中指定要使用的数据库：

1	db = client.test

这里调用client的test属性便可返回test数据库。固然，咱们也能够这样指定：

1	db = client['test']

这两种方式是等价的。

4. 指定集合

MongoDB的每一个数据库又包含许多集合（collection），它们相似于关系型数据库中的表。

下一步须要指定要操做的集合，这里指定一个集合名称为students。与指定数据库相似，指定集合也有两种方式：

1	collection = db.students

1	collection = db['students']

这样咱们便声明了一个Collection对象。

5. 插入数据

接下来，即可以插入数据了。对于students这个集合，新建一条学生数据，这条数据以字典形式表示：

123456student = {    'id': '20170101',    'name': 'Jordan',    'age': 20,    'gender': 'male'}复制代码

这里指定了学生的学号、姓名、年龄和性别。接下来，直接调用collection的insert()方法便可插入数据，代码以下：

result = collection.insert(student) print(result)

在MongoDB中，每条数据其实都有一个_id属性来惟一标识。若是没有显式指明该属性，MongoDB会自动产生一个ObjectId类型的_id属性。insert()方法会在执行后返回_id值。

运行结果以下：

1	5932a68615c2606814c91f3d

固然，咱们也能够同时插入多条数据，只须要以列表形式传递便可，示例以下：

student1 = {    'id': '20170101',    'name': 'Jordan',    'age': 20,    'gender': 'male'} student2 = {    'id': '20170202',    'name': 'Mike',    'age': 21,    'gender': 'male'} result = collection.insert([student1, student2])print(result)复制代码

返回结果是对应的_id的集合：

1	[ObjectId('5932a80115c2606a59e8a048'), ObjectId('5932a80115c2606a59e8a049')]

实际上，在PyMongo 3.x版本中，官方已经不推荐使用insert()方法了。固然，继续使用也没有什么问题。官方推荐使用insert_one()和insert_many()方法来分别插入单条记录和多条记录，示例以下：

student = {    'id': '20170101',    'name': 'Jordan',    'age': 20,    'gender': 'male'} result = collection.insert_one(student)print(result)print(result.inserted_id)复制代码

运行结果以下：

1 2	<pymongo.results.InsertOneResult object at 0x10d68b558> 5932ab0f15c2606f0c1cf6c5

与insert()方法不一样，此次返回的是InsertOneResult对象，咱们能够调用其inserted_id属性获取_id。

对于insert_many()方法，咱们能够将数据以列表形式传递，示例以下：

student1 = {    'id': '20170101',    'name': 'Jordan',    'age': 20,    'gender': 'male'} student2 = {    'id': '20170202',    'name': 'Mike',    'age': 21,    'gender': 'male'} result = collection.insert_many([student1, student2])print(result)print(result.inserted_ids)复制代码

运行结果以下：

1 2	<pymongo.results.InsertManyResult object at 0x101dea558> [ObjectId('5932abf415c2607083d3b2ac'), ObjectId('5932abf415c2607083d3b2ad')]

该方法返回的类型是InsertManyResult，调用inserted_ids属性能够获取插入数据的_id列表。

6. 查询

插入数据后，咱们能够利用find_one()或find()方法进行查询，其中find_one()查询获得的是单个结果，find()则返回一个生成器对象。示例以下：

1 2 3

result = collection.find_one({'name': 'Mike'}) print(type(result)) print(result)

这里咱们查询name为Mike的数据，它的返回结果是字典类型，运行结果以下：

1 2	<class 'dict'> {'_id': ObjectId('5932a80115c2606a59e8a049'), 'id': '20170202', 'name': 'Mike', 'age': 21, 'gender': 'male'}

能够发现，它多了_id属性，这就是MongoDB在插入过程当中自动添加的。

此外，咱们也能够根据ObjectId来查询，此时须要使用bson库里面的objectid：

1 2 3 4

from bson.objectid import ObjectId result = collection.find_one({'_id': ObjectId('593278c115c2602667ec6bae')}) print(result)

其查询结果依然是字典类型，具体以下：

1	{'_id': ObjectId('593278c115c2602667ec6bae'), 'id': '20170101', 'name': 'Jordan', 'age': 20, 'gender': 'male'}

固然，若是查询结果不存在，则会返回None。

对于多条数据的查询，咱们可使用find()方法。例如，这里查找年龄为20的数据，示例以下：

1 2 3 4

results = collection.find({'age': 20}) print(results) for result in results: print(result)

运行结果以下：

1234<pymongo.cursor.Cursor object at 0x1032d5128>{'_id': ObjectId('593278c115c2602667ec6bae'), 'id': '20170101', 'name': 'Jordan', 'age': 20, 'gender': 'male'}{'_id': ObjectId('593278c815c2602678bb2b8d'), 'id': '20170102', 'name': 'Kevin', 'age': 20, 'gender': 'male'}{'_id': ObjectId('593278d815c260269d7645a8'), 'id': '20170103', 'name': 'Harden', 'age': 20, 'gender': 'male'}复制代码

返回结果是Cursor类型，它至关于一个生成器，咱们须要遍历取到全部的结果，其中每一个结果都是字典类型。

若是要查询年龄大于20的数据，则写法以下：

1	results = collection.find({'age': {'$gt': 20}})

这里查询的条件键值已经不是单纯的数字了，而是一个字典，其键名为比较符号$gt，意思是大于，键值为20。

这里将比较符号概括为表5-3。

表5-3 比较符号

符号	含义	示例
$lt	小于	{'age': {'$lt': 20}}
$gt	大于	{'age': {'$gt': 20}}
$lte	小于等于	{'age': {'$lte': 20}}
$gte	大于等于	{'age': {'$gte': 20}}
$ne	不等于	{'age': {'$ne': 20}}
$in	在范围内	{'age': {'$in': [20, 23]}}
$nin	不在范围内	{'age': {'$nin': [20, 23]}}

另外，还能够进行正则匹配查询。例如，查询名字以M开头的学生数据，示例以下：

1	results = collection.find({'name': {'$regex': '^M.*'}})

这里使用$regex来指定正则匹配，^M.*表明以M开头的正则表达式。

这里将一些功能符号再归类为表5-4。

表5-4 功能符号

符号	含义	示例	示例含义
$regex	匹配正则表达式	{'name': {'$regex': '^M.*'}}	name以M开头
$exists	属性是否存在	{'name': {'$exists': True}}	name属性存在
$type	类型判断	{'age': {'$type': 'int'}}	age的类型为int
$mod	数字模操做	{'age': {'$mod': [5, 0]}}	年龄模5余0
$text	文本查询	{'$text': {'$search': 'Mike'}}	text类型的属性中包含Mike字符串
$where	高级条件查询	{'$where': 'obj.fans_count == obj.follows_count'}	自身粉丝数等于关注数

关于这些操做的更详细用法，能够在MongoDB官方文档找到：docs.mongodb.com/manual/refe…。

7. 计数

要统计查询结果有多少条数据，能够调用count()方法。好比，统计全部数据条数：

1 2	count = collection.find().count() print(count)

或者统计符合某个条件的数据：

1 2	count = collection.find({'age': 20}).count() print(count)

运行结果是一个数值，即符合条件的数据条数。

8. 排序

排序时，直接调用sort()方法，并在其中传入排序的字段及升降序标志便可。示例以下：

1 2	results = collection.find().sort('name', pymongo.ASCENDING) print([result['name'] for result in results])

运行结果以下：

1	['Harden', 'Jordan', 'Kevin', 'Mark', 'Mike']

这里咱们调用pymongo.ASCENDING指定升序。若是要降序排列，能够传入pymongo.DESCENDING。

9. 偏移

在某些状况下，咱们可能想只取某几个元素，这时能够利用skip()方法偏移几个位置，好比偏移2，就忽略前两个元素，获得第三个及之后的元素：

1 2	results = collection.find().sort('name', pymongo.ASCENDING).skip(2) print([result['name'] for result in results])

运行结果以下：

1	['Kevin', 'Mark', 'Mike']

另外，还能够用limit()方法指定要取的结果个数，示例以下：

1 2	results = collection.find().sort('name', pymongo.ASCENDING).skip(2).limit(2) print([result['name'] for result in results])

运行结果以下：

1	['Kevin', 'Mark']

若是不使用limit()方法，本来会返回三个结果，加了限制后，会截取两个结果返回。

值得注意的是，在数据库数量很是庞大的时候，如千万、亿级别，最好不要使用大的偏移量来查询数据，由于这样极可能致使内存溢出。此时可使用相似以下操做来查询：

1 2	from bson.objectid import ObjectId collection.find({'_id': {'$gt': ObjectId('593278c815c2602678bb2b8d')}})

这时须要记录好上次查询的_id。

10. 更新

对于数据更新，咱们可使用update()方法，指定更新的条件和更新后的数据便可。例如：

1 2 3 4 5

condition = {'name': 'Kevin'} student = collection.find_one(condition) student['age'] = 25 result = collection.update(condition, student) print(result)

这里咱们要更新name为Kevin的数据的年龄：首先指定查询条件，而后将数据查询出来，修改年龄后调用update()方法将原条件和修改后的数据传入。

运行结果以下：

1	{'ok': 1, 'nModified': 1, 'n': 1, 'updatedExisting': True}

返回结果是字典形式，ok表明执行成功，nModified表明影响的数据条数。

另外，咱们也可使用$set操做符对数据进行更新，代码以下：

1	result = collection.update(condition, {'$set': student})

这样能够只更新student字典内存在的字段。若是原先还有其余字段，则不会更新，也不会删除。而若是不用$set的话，则会把以前的数据所有用student字典替换；若是本来存在其余字段，则会被删除。

另外，update()方法其实也是官方不推荐使用的方法。这里也分为update_one()方法和update_many()方法，用法更加严格，它们的第二个参数须要使用$类型操做符做为字典的键名，示例以下：

1 2 3 4 5 6

condition = {'name': 'Kevin'} student = collection.find_one(condition) student['age'] = 26 result = collection.update_one(condition, {'$set': student}) print(result) print(result.matched_count, result.modified_count)

这里调用了update_one()方法，第二个参数不能再直接传入修改后的字典，而是须要使用{'$set': student}这样的形式，其返回结果是UpdateResult类型。而后分别调用matched_count和modified_count属性，能够得到匹配的数据条数和影响的数据条数。

运行结果以下：

1 2	<pymongo.results.UpdateResult object at 0x10d17b678> 1 0

咱们再看一个例子：

1 2 3 4

condition = {'age': {'$gt': 20}} result = collection.update_one(condition, {'$inc': {'age': 1}}) print(result) print(result.matched_count, result.modified_count)

这里指定查询条件为年龄大于20，而后更新条件为{'$inc': {'age': 1}}，也就是年龄加1，执行以后会将第一条符合条件的数据年龄加1。

运行结果以下：

1 2	<pymongo.results.UpdateResult object at 0x10b8874c8> 1 1

能够看到匹配条数为1条，影响条数也为1条。

若是调用update_many()方法，则会将全部符合条件的数据都更新，示例以下：

1 2 3 4

condition = {'age': {'$gt': 20}} result = collection.update_many(condition, {'$inc': {'age': 1}}) print(result) print(result.matched_count, result.modified_count)

这时匹配条数就再也不为1条了，运行结果以下：

1 2	<pymongo.results.UpdateResult object at 0x10c6384c8> 3 3

能够看到，这时全部匹配到的数据都会被更新。

11. 删除

删除操做比较简单，直接调用remove()方法指定删除的条件便可，此时符合条件的全部数据均会被删除。示例以下：

1 2	result = collection.remove({'name': 'Kevin'}) print(result)

运行结果以下：

1	{'ok': 1, 'n': 1}

另外，这里依然存在两个新的推荐方法——delete_one()和delete_many()。示例以下：

1 2 3 4 5

result = collection.delete_one({'name': 'Kevin'}) print(result) print(result.deleted_count) result = collection.delete_many({'age': {'$lt': 25}}) print(result.deleted_count)

运行结果以下：

1 2 3

<pymongo.results.DeleteResult object at 0x10e6ba4c8> 1 4

delete_one()即删除第一条符合条件的数据，delete_many()即删除全部符合条件的数据。它们的返回结果都是DeleteResult类型，能够调用deleted_count属性获取删除的数据条数。

12. 其余操做

另外，PyMongo还提供了一些组合方法，如find_one_and_delete()、find_one_and_replace()和find_one_and_update()，它们是查找后删除、替换和更新操做，其用法与上述方法基本一致。

另外，还能够对索引进行操做，相关方法有create_index()、create_indexes()和drop_index()等。

关于PyMongo的详细用法，能够参见官方文档：api.mongodb.com/python/curr…。

另外，还有对数据库和集合自己等的一些操做，这里再也不一一讲解，能够参见官方文档：api.mongodb.com/python/curr…。

本节讲解了使用PyMongo操做MongoDB进行数据增删改查的方法，后面咱们会在实战案例中应用这些操做进行数据存储。